文章题目：Predictive model for sarcopenia in chronic kidney disease: a nomogram and machine learning approach using CHARLS data

 

DOI：10.3389/fmed.2025.1546988

 

中文标题：慢性肾病肌肉减少症的预测模型：使用 CHARLS 数据的列线图和机器学习方法

 

发表杂志：Front Med

 

影响因子：1区，IF=3.1

 

发表时间：2025年3月

 

今天给大家分享一篇在 2025年3月发表在《Front Med》（1区，IF=3.1）的文章。本研究旨在利用从中国健康与退休纵向研究 （CHARLS） 获得的数据，创建和评估 CKD 患者肌肉减少症风险的预测模型。

研究方法：肌肉减少症是根据亚洲肌肉减少症工作组（AWGS 2019） 标准诊断的，包括肌肉力量低、身体机能下降和肌肉质量低。2015 年 CHARLS 数据被随机分为训练集 （70%） 和测试集 （30%）。分析了 49 个变量，包括社会人口统计学、行为、健康状况和生化因素。LASSO 回归确定了最相关的预测因子，并使用 logistic 回归模型来探索与肌肉减少症相关的因素。开发了用于风险预测的列线图。使用校准曲线评估模型准确性，而通过受试者工作特征 （ROC） 和决策曲线分析 （DCA） 评估预测性能。使用了四种机器学习算法，最佳模型进行超参数优化以评估预测因素的重要性。

Table&Figure

 

结果解读：共纳入1,092 例 CKD 患者，其中 231 例 （21.2%） 诊断为肌肉减少症。多因素 logistic 回归分析显示，年龄、腰围、LDL-C 、 HDL-C 、 甘油三酯和舒张压是重要的预测因素。这些因素用于构建列线图。预测模型在训练集中的 AUC 为 0.886 （95% CI： 0.858-0.912），在验证集中的 AUC 为 0.859 （95% CI： 0.811-0.908）。校准曲线显示预测结果和实际结果之间具有良好的一致性。ROC 和 DCA 分析证实了该模型强大的预测性能。梯度提升机 （GBM） 的性能优于其他机器学习模型。将贝叶斯优化应用于 GBM 在训练集上实现了 0.933 （95% CI： 0.913-0.953） 的 AUC，在验证集上实现了 0.932 （95% CI： 0.905-0.960） 的 AUC。SHAP 值确定年龄和腰围是影响最大的因素。

结论：列线图为预测CKD 患者的肌肉减少症提供了可靠的工具。GBM 模型表现出很强的预测准确性，将其定位为该人群临床风险评估和管理肌肉减少症的宝贵工具。

大家在科研路上，可以借鉴这种研究方法，为自己的课题添砖加瓦。万层高楼平底起，一起加油呀！